Aplikasi Sistem Prediksi Realisasi Kpr Komersial Baru Di Pt Bank Tabungan Negara Kantor Cabang Karawaci Dengan Metode Algoritma Genetika
Keywords:
Metode Algoritma Genetika, sistem, prediksi, targetAbstract
Latar Belakang: Penelitian dilakukan guna untuk mengetahui hasil target yang bisa direalisasi pada bulan berikutnya sehingga dalam mengambil keputusan dalam penetapan target tidak mengalami kesulita seberapa besar yang seharusnya bisa dicapai. Seperti halnya pada pengalaman yang telah terjadi pada PT Bank Tabungan Negara Tbk. Kantor Cabang Karawaci selalu mengalami kesulitan dalam menentukan sebarapa besar jumlah target yang harus dicapai karna disini pihak kantor cabang masih menggunakan perhitungan prediksi secara manual dimana rentan sekali terjadi kesalahan dan hasil yang cenderung kurang akurat, guna untuk mengantisipasi hal tersebut maka peneliti melakukan penelitian berikut ini. Metode : Peneliti membuat sebuah sistem aplikasi yang sudah terkomputerisasi sehingga dalam melakukan prediksi perhitungan dalam penetepan target tidak lagi mengalami sebuah kesulitan. Dalam software yang dibuat oleh peneliti ini menggunakan metode algoritma yang disebut dengan metode algoritma genetika dimana di klaim bahwa metode ini sangat baik untuk digunakan melakukan prediksi dan digunakan untuk mengambil sebuah keputusan yang berdasarkan perhitungan secara matematis. Hasil : Sistem yang dibangun oleh peneliti ini mempunyai beberapa kelebihan antara lain lebih akurat,lebih mudah dan lebih efisiensi. Dalam melakukan prediksi seperti ini sangatlah penting jika dilakukan menggunakan suatu sistem yang berbasis komputerisasi. Kesimpulan : Pada sistem apliasi yang dibangun oleh peneliti ini data sangatlah berperan penting dalam melakukan prediksi sehingga keakuratan hasil penelitian pun bisa lebih baik dan semakin akurat dengan catatan data yang dimasukan semakin banyak. Akan tetapi walaupun data yang diinput ke dalam hanya satu setengah tahun kebelakang pun aplikasi ini masih dapat melakukan prediksi dengan baik dengan hasil prediksi dengan persentase eror dibawah 30% ini berarti masih bisa untuk dikatan akurat,ini menunjukan hasil yang dilakukan hasil prediksi terbilang baik dan sistem ini dapat dikatakan berkerja dengan baik dalam kondisi kondisi yang seminimal mungkin.
References
Abidah, S. (2013). Analisis komparasi metode tsukamoto dan sugeno dalam prediksi jumlah siswa baru. Jurnal Teknologi Informasi Dan Komunikasi, 8(2), 57–63. Retrieved from http://ejurnal.provisi.ac.id/index.php/JTIKP/article/view/127/121
Utari, H., & Silalahi, N. (2016). Perancangan aplikasi peramalan permintaan kebutuhan tenaga kerja pada perusahaan outsourcing menggunakan algoritma simple moving average. Jurnal TIMES, V(2), 1–5. Retrieved from http://ejournal.stmik-time.ac.id/index.php/jurnalTIMES/article/view/546
Mel Silberman,101Cara Pelatihan &Pembelajaran Aktiv Edisi Kedua(Jakarta:Index,2010,h.64)
Daniel, M., 2002. Pengantar Ekonomi Pertanian. Bumi Aksara. Jakarta.
Ibrahim, Johannes, DR, S.H, M.Hum. 2004. Mengupas Tuntas (Kredit Komersial dan Konsumtif dalam Perjanjian Kredit Bank). Cetakan Pertama. Bandung : Mandar Maju.
Pao, Wei Chen; Lu, Yung Feng; Shih, Chen Yu; Chen, Yung Fang;. “Genetic Algorithm-based Power Allocation for Multiuser MIMO-OFDM Femtocell Networks with ZF Beamforming.†IEEE, 2013: 1-5.
Syam, S. (2014). Sistem Pendukung Keputusan (SPK) Penilaian Masuk Pada Fakultas Teknik Menggunakan Metode Adaptive Neuro-Fuzzy Inference System (ANFIS) : Studi Kasus Fakultas Teknik Univesitas Islam Syekh-Yusuf Tangerang. JUTIS : Jurnal Teknik Informatika, 3(2), 1–12. Retrieved from http://journal.unis.ac.id/jurnal.php?detail=jurnal&file=Jurnal Fuzzy.pdf&id=531&cd=0b2173ff6ad6a6fb09c95f6d50001df6&name=Jurnal Fuzzy.pdf
Martin fowler. 2005. UML Distilled 3th Ed. Panduan Singkat Bahasa Pemodelan Objek Standar. Andi. Yogyakarta